Neural network cluster finding for the ALICE TPC online GPU processing
Contributors
Supervisor (2):
-
1.
GSI Helmholtz Centre for Heavy Ion Research
-
2.
Heidelberg University
Description
The ALICE Time Projection Chamber (TPC) is one of the main tracking and particle identification detectors of the ALICE experiment at CERN, designed for the study of Quantum Chromodynamics (QCD) and the Quark–Gluon Plasma (QGP). The upgrade of the TPC readout from Multiwire Proportional Chambers to Gas Electron Multipliers enables continuous readout at interaction rates up to 50 times higher than previously achievable. While being essential for the physics program of Run 3 and beyond, this upgrade introduces new challenges for both reconstruction algorithms and the online computing infrastructure. The TPC reconstruction chain benefits significantly from GPU-based hardware acceleration, which also provides an ideal environment for modern machine learning techniques such as neural networks. This thesis develops a novel neural-network-based cluster reconstruction algorithm designed for online deployment in Run 4 and beyond. Two neural networks are trained: a classification network aimed at data-size reduction and improved performance in high-density tracking environments, and a regression network for charge deconvolution and the precise determination of cluster properties. For the training and benchmarking of these algorithms, an ideal cluster finder, based on simulated data, is developed. The performance of the neural-network-based reconstruction is evaluated in Monte Carlo studies covering a wide range of track densities and detector occupancies, with continuous emphasis on the balance between physics performance and computational feasibility for online operation. The results are compared to the current reconstruction framework throughout the analysis. The algorithm is subsequently validated on reconstructed real data from Pb--Pb collisions at interaction rates of 30–38 kHz. A cluster reduction of up to 18\% is achieved while improving the track-fit quality ($\chi^2/\text{NDF}$) and the d𝐸/d𝑥- separation power, with maintained particle identification performance. Finally, the scope of this work exceeds the original deployment timeline with a first successful commissioning in online proton–proton data taking at 507 kHz, where the data-size reduction is confirmed and shared cluster contributions to tracks are reduced.
Abstract (German)
Die ALICE Time Projection Chamber (TPC) ist einer der wichtigsten Detektoren zur Spurrekonstruktion und Teilchenidentifikation des ALICE Experiments am CERN und wurde für die Untersuchung der Quantenchromodynamik (QCD) und des Quark-Gluon Plasmas (QGP) konzipiert. Das Upgrade der TPC Ladungsverstärkungskammern von Multiwire Proportional Chambers (MWPCs) auf Gas Electron Multipliers (GEMs) ermöglicht eine kontinuierliche Auslese bei Wechselwirkungsraten, die bis zu 50-mal höher sind als zuvor erreichbar. Obwohl dieses Upgrade für das Physikprogramm von Run 3 und darüber hinaus essenziell ist, führt es sowohl für die Rekonstruktionsalgorithmen als auch für die Online-Recheninfrastruktur zu neuen Herausforderungen. Die TPC-Rekonstruktionskette profitiert erheblich von parallelisierten Berechnungen auf Grafikprozessoren, die zugleich eine ideale Umgebung für moderne Methoden des machinellen Lernens wie neuronalen Netzen bietet. In dieser Arbeit wird ein neuartiger, auf neuronalen
Netzen basierender Clusterrekonstruktionsalgorithmus entwickelt, der für die Echtzeitdatenaufnahme in Run 4 und darüber hinaus ausgelegt ist. Es werden zwei neuronale Netze trainiert: Ein Klassifikationsnetzwerk mit dem Ziel der Datenmengenreduktion und einer verbesserten Leistung in dichten Tracking-Umgebungen sowie ein Regressionsnetzwerk zur besseren Ladungstrennung zwischen Clustern und zur präzisen Bestimmung der charakteristischen Clustereigenschaften. Für das Training und Benchmarking dieser Algorithmen wird ein idealer Cluster Finder entwickelt, der auf simulierten Daten basiert. Die Leistung der auf neuronalen Netzen basierenden Rekonstruktion wird in Monte Carlo Studien untersucht, die ein breites Spektrum an Spurendichten abdecken, wobei sowohl die physikalische Leistungsfähigkeit als auch die Umsetzbarkeit für den Online-Betrieb im Foklus stehen. Die Ergebnisse werden im gesamten Analyseprozess mit dem aktuellen Rekonstruktionsframework verglichen. Der Algorithmus wird anschließend anhand rekonstruierter, echter Daten aus Pb–Pb Kollisionen bei Wechselwirkungsraten von 30–38 kHz validiert. Dabei wird eine Clusterreduktion von bis zu 18% erreicht, während sich die Qualität des Spur-Fits ($\chi^2/\text{NDF}$) sowie die d𝐸/d𝑥- Trennschärfe verbessern, bei gleichzeitig erhaltener Leistungsfähigkeit der Teilchenidentifikation. Schließlich überschreitet diese Arbeit den ursprünglichen Einsatzzeitplan durch eine erste erfolgreiche Inbetriebnahme während der Online-Rekonstruktion von Proton–Proton Daten bei 507 kHz, bei der die Datenmengenreduktion bestätigt und die Beiträge geteilter Cluster zu einzelnen Spuren reduziert werden.
Files
PhD_thesis_06032026.pdf
Files
(83.8 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:115c35b85838ea517bdec2868a84241c
|
83.8 MB | Preview Download |
Additional details
CERN
- Department
- EP - Experimental Physics Department
- Programme
- CERN Doctoral Student Program
- Accelerator
- CERN LHC
- Experiment
- ALICE